受大脑启发的AI架构在提升速度的同时大幅降低了功耗

双记忆通路抽象。在算法层面，每一层都维护一个共享的低维状态，该状态能够捕捉缓慢的上下文动态并调节快速脉冲活动。在硬件层面，这种分离通过异构加速器得以体现：该加速器将紧凑状态保存在芯片上，并融合稀疏计算与密集计算以实现高效执行。 来源：Sun 等。

脉冲神经网络（SNNs）是一种受生物神经元通信方式启发的AI模型。与通过电冲动交换信息的生物神经元不同，SNNs依赖于被称为“脉冲”的短暂信号。

SNN在降低功耗方面展现出巨大潜力，因为开发者可以确保其仅在发生有意义的变化时处理信息，而非持续运行。鉴于当前人工智能系统消耗大量能量，这是一项显著优势。

尽管早期的一些SNN取得了令人鼓舞的结果，但它们往往难以在较长时间内保留有用的上下文信息。当模型的数据存储空间有限或在能源受限的情况下运行时，这一挑战尤为突出。

伦敦帝国理工学院和苏黎世联邦理工学院（ETH Zurich）的研究人员最近推出了一套协同设计的软硬件方案，有望克服这一局限。他们在《自然·机器智能》（Nature Machine Intelligence）上发表的论文中描述的架构，在保持节能和降低数据存储需求的同时，能够有效处理长序列任务。

“脉冲神经网络在事件驱动型感知方面表现卓越，”孙鹏飞、苏哲及其同事写道，“然而，在严格遵守有限的能耗和内存预算的同时，无论从算法还是硬件层面，如何在长时间尺度上维持与任务相关的上下文，仍然是一个核心挑战。 我们通过算法与硬件的协同设计来解决这一问题。”

DMP架构的硬件设计。来源：《自然·机器智能》（2026）。DOI：10.1038/s42256-026-01255-3

一种受大脑启发的创新双存储系统

先前研究表明，某些神经过程极其快速，而另一些则较慢，这使得大脑能够更长时间地保留信息。Sun、Su及其同事开发的架构模拟了这种快慢神经过程的结合。

该团队借鉴了大脑快-慢组织结构的原则，共同设计了互为补充的软硬件组件。软件部分由一个多层自适应神经网络（SNN）组成，该网络将慢速记忆通路与快速脉冲活动相结合。

“在算法层面，受大脑皮层快-慢组织结构的启发，我们引入了一个具有显式慢速记忆通路的神经网络，该网络与快速脉冲活动相结合，构成了双记忆通路架构。 在该架构中，每一层都维持着一种紧凑的低维状态，该状态既能概括近期活动，又能调节脉冲动力学，”作者写道。

“这种显式记忆在保持事件驱动的稀疏性的同时稳定了学习过程，在长序列基准测试中实现了具有竞争力的准确率，且参数数量比同类最先进脉冲神经网络减少了40%至60%。”

双记忆架构的一个关键优势在于，它能在高效处理输入数据的同时，以紧凑形式保留与任务相关的关键信息。该团队还设计了专用于运行其脉冲神经网络（SNN）的专用硬件。

“在硬件层面，我们引入了一种近内存计算架构，该架构通过保留其紧凑的共享状态，同时优化异构稀疏脉冲路径与密集内存路径之间的数据流，从而充分利用了双内存路径架构的优势，”孙、苏及其同事写道。

初步结果及潜在实际应用

研究人员通过一系列初步测试，对他们的SNN及协同设计的硬件进行了评估。他们测量了在固定时间内完成长序列任务（处理长数据流）的速度、能耗以及数据吞吐量。

“实验结果表明，与最先进的实现方案相比，吞吐量提高了四倍以上，能效提升了五倍以上，”作者写道。 “这些成果共同表明，生物学原理可以指导既在算法上有效又在硬件上高效的功能抽象，从而为实时类脑计算和学习建立了一个可扩展的协同设计框架。”

由孙、苏及其同事开发的新型SNN和硬件，有望进一步优化，并在更广泛的任务中进行测试。未来，它们有望在能耗受限的情况下，实现对海量数据的实时快速分析。这对机器人、可穿戴设备、边缘AI以及多传感器互联网络等应用将具有重要价值。

本文由作者英格丽德·法德利（Ingrid Fadelli）撰写，加比·克拉克（Gaby Clark）编辑，罗伯特·伊根（Robert Egan）进行事实核查与审阅——这是精心的人工创作成果。我们依赖像您这样的读者来维持独立科学新闻的活力。如果您重视这份报道，请考虑捐款（尤其是每月定期捐款）。 作为感谢，您将获得一个无广告的账户。